主题型网页发现以及网页内信息块发现课件.ppt
主题型网页发现以及网页内信息块发现,华南理工大学 广东省计算机网络重点实验室 成员：蔡捷飞、陈啟泓、梁志宏、马亮、温泽逢,主题型网页发现,目录,特征分析 算法设计 结果分析 不足与改进,特征分析,主题型网页特征： 文字较多（非锚文本） 主题型网页一般都有明显的文本段落，文字较多，相应的标点符号也较多。 URL较长 在一般的Web网站链接导航树上，主题型网页主要分布于底层，多为叶节点。对于同一网站而言，主题型网页的URL相对较长。URL体现了网站内容管理的层次，对于大型网站而言，URL往往非常有规律。 链接较少 主题型网页的主体在于“文字”，相对于导航型网页，其链接数较少。,特征分析,非主题型网页特征 文字较少 非主题型网页的主体是链接，图像，或者其它形式的内容，文字较少 链接较多 对于导航型网页而言，链接是其主要内容 URL较短 导航型网页的URL层数较少，且多为目录型URL,特征分析,网页噪音特征 多以链接的形式出现 有很多锚文本，但标点符号较少 有许多常见的噪音文本，如版权声明等 在视觉上，多出现于网页的边缘,算法设计,主题型网页发现：对网页进行二元分类 分类过程分为三个阶段： 阶段1： 根据主题型网页的重要特征进行分类，这些重要特征主要包括：标点符号数目，文字数目。无需复杂算法，只需设置特征阈值。 阶段2： 对在阶段1中无法确定分类的网页，提取更多的特征，利用分类器（如支持向量机）进行进一步的分类。这一阶段的特征有：URL层数、URL中数字的个数、文字数目、标点符号数目等。 阶段3： 经过上面两个阶段的分类之后，对主题型网页进行信息块抽取，根据抽取结果的反馈，进一步筛选网页，去掉非主题型网页。,抽取网页重要特征,根据特征阈值判断,判断为非主题型网页,判断为主题型网页,进一步抽取网页特征,难以判断,分类器分类,判断为非主题型网页,判断为主题型网页,信息块抽取,反馈,进一步去除非主题型网页,网页数据,阶段1,阶段2,阶段3,网页去噪,算法设计,关键1：网页去噪 利用HTML分析工具（HtmlParser）去除所有脚本代码 去除网页中的所有锚文本 网页噪音多为广告，以链接的形式出现 过滤常见的噪音文本 去掉以非锚文本形式出现的网页噪音,算法设计,关键2：特征阈值设定 重要特征： 网页正文内容中的中文句号和逗号的数目 URL层数 URL是否为目录型，是否包含某些特殊关键字 阈值设置：抽样测试表明，当网页的句号和逗号数目超过20个时，绝大部分的网页为主题型网页；当句号和逗号数目少于5时，绝大部分的网页为非主题型网页； 当URL层数为1时，绝大部分的网页为非主题型网页； 当URL为目录型URL时，绝大部分的网页为非主题型网页；,算法设计,关键3：分类器 分类器的选择 有监督分类器：支持向量机 无监督分类器：KNN聚类 分类器的特征选择 网页正文文字数目 网页正文标点符号数目 URL层数 URL中数字的个数 ,结果分析,测试集：cwt_quark_70thousand 71502个web 阶段1： （输入71502个web ） 主题型网页：33161个 非主题型网页：19623个 无法判断的网页：18718个（26.18%） 阶段2： （输入18718个web ，利用SVM分类） 主题型网页：15139个 非主题型网页：3579个 阶段3： 根据主题型网页信息块抽取结果，去掉只能抽取到极少内容的主题型网页3206个 最终： 主题型网页：45094个（63.07%） 非主题型网页：26408个（36.93%）,结果分析,从阶段1的分类结果看出：大部分的网页（73.82%）可以根据网页的重要特征的阈值进行分类，方法简单高效。 虽然只有26.18%的网页需要利用分类器进行进一步的分类，但这26.18%的网页可能恰恰决定了本算法的分类效果。因为这26.18%的网页都是模棱两可的，对它们进行准确的分类至关重要！ 由于阶段1和阶段2都可能存在一定的误差，因此经过信息块抽取之后的反馈是很重要的。,不足与改进,对网页的特征选择与抽取还有待完善，期望以后能挖掘出更能描述网页性质的特征。 在网页去噪方面略显粗糙，需做进一步改善 阶段1的特征阈值设定过于简单。 阶段3的反馈机制过于简单。,网页内信息块发现,一、术语定义,主题型网页：主题型网页是指网页中通过文字描述了一件或多件事物，是有一定主题的；如一张具体的新闻网页就是典型的有主题网页。 PlainText：最终在浏览器中显示的文本，而且这些文本不是锚文本。 AnchorText：锚文本，这些文本也会在浏览器中显示，但是这些文本也是跳往其他网页的链接。,二、主题型网页特点,主题型网页通常包含利用大量的文本来介绍，而且这部分文本中绝大部分都是PlainText。 将网页以树（Tree）的形式表现， HTML标签以及标签内的文本都作为树的（Tree）节点存在于该树中。 HTML（）成为这棵树的根节点 大部分的叶子节点都是文本节点 主题型网页的噪音信息可以分成是两种： 一种是广告（锚文本） 另外一种是网页声明,三、主题信息块的发现与提取：,目标：为了找到主题信息的起始位置和长度，最有效的办法就是找到这样一个节点p，节点p满足下面的条件：,算 法,1. 集合L 为树中所有的叶子节点，并且节点不为标记 的子节点 2. 对于L 中的任意节点leaf ， if(！isPlainText(leaf) L=L-leaf 3. averageLength=calAverageLength(L);/ 平均长度 任意节点leaf 属于 L，calLength（leaf）averageLength; L=L-leaf; 4. 集合M为空。任意节点leaf 属于 L，parent= leaf .getParent() while(parent.getChildren().size=1) parent= parent .getParent(); M=M+parent; 如果M.size经验值（这里经验值设为3）结束 否则,L =M，并执行3。,四、进一步去除噪音,干扰信息：script、frame（广告、或网站定制的脚本） 对脚本、frame的信息进行定位，并根据每段正文的起始和结束位置与干扰信息块的关系，将正文提取出来。,五、表格型网页抽取,以表格的形式来展现主题 股票的价格信息 电脑DIY的配件信息 处理 抽取网页中的Table标记中的内容 统计Table中包含文字的TR和TD（避免递归处理）的信息 把所有TD数目（列数）超过阈值的TR的都抽取出来， 如果这些TR的数目大于某个阈值,将其父结点加到结果集,结果分析,1. 对于布局正规的网页，抽取方法效果十分理想 2. 对于论坛类型的文章，该方法可以去除一些无意义的回复（如顶、赞等），保留有意义的回复。 3. 对于表格类型的网页，结合有规律的行列分布，可以对表格信息进行有效的抽取,不足与改进,找到一个更加科学的方法来设定阈值 利用标题以获得更多的信息 更好的“上升”策略,谢 谢 ！请批评指正！,成员：蔡捷飞、陈啟泓、梁志宏、马亮、温泽逢,
